Muse Spark slitta ancora e Meta scopre i limiti della corsa all'AI

Costruire un modello di intelligenza artificiale impressionante in laboratorio è una cosa. Farlo funzionare in modo affidabile su miliardi di utenti e metterlo a disposizione di sviluppatori esterni è un'altra. Meta sta imparando questa distinzione a proprie spese con Muse Spark, il suo prossimo grande modello AI, il cui lancio è stato nuovamente posticipato. Secondo quanto riportato dal Wall Street Journal, la causa sarebbero dubbi interni su performance, affidabilità e competitività del modello. Un ritardo che, nel contesto attuale, dice molto più di un semplice problema tecnico.

Dall'assistente alla piattaforma

Muse Spark non era pensato come un semplice aggiornamento. Meta lo aveva concepito come un salto generazionale: un modello multimodale — capace cioè di elaborare insieme testo e immagini — in grado di gestire ragionamento complesso e interazioni sofisticate. Soprattutto, era previsto il rilascio tramite API, ovvero un'interfaccia che permette ad applicazioni e sviluppatori esterni di sfruttare il modello nei propri prodotti.

È proprio questo il punto cruciale. Quando un modello AI smette di essere un assistente integrato in un'app e diventa un servizio per terze parti, le aspettative cambiano radicalmente. Un chatbot che «a volte sbaglia» è tollerabile; un componente software su cui altri costruiscono i propri prodotti deve invece garantire continuità, comportamenti prevedibili, gestione dei carichi e assenza di regressioni improvvise — cioè non può peggiorare da un aggiornamento all'altro senza preavviso.

La gara è diventata un'altra

Fino a poco tempo fa, la competizione nell'AI generativa si misurava principalmente sui benchmark: test standardizzati che valutano le capacità di ragionamento, comprensione del testo e altre abilità cognitive dei modelli. Oggi quella gara è diventata qualcosa di diverso. Il mercato premia sempre meno «il modello in arrivo» e sempre più «l'ecosistema già operativo»: API mature, strumenti per sviluppatori, controlli di sicurezza e un percorso chiaro per monetizzare il servizio.

In questo scenario, ogni ritardo ha un costo concreto: lasciare che altri diventino lo standard di riferimento per chi costruisce applicazioni AI. Google e Microsoft hanno costruito decenni di relazioni con gli sviluppatori attraverso piattaforme cloud e strumenti professionali. OpenAI ha fatto dell'API il cuore della propria strategia di adozione. Meta, storicamente, ha usato gli sviluppatori come moltiplicatori di contenuti e coinvolgimento degli utenti — non come clienti da servire con un prodotto strutturato e una roadmap prevedibile.

Aprire un modello AI agli sviluppatori non è una scelta tecnica, è un cambio di cultura aziendale

Spendere molto non basta

Il paradosso è che Meta non sta lesinando sugli investimenti. Per il 2025, l'azienda ha previsto investimenti in infrastrutture nell'ordine di 72,2 miliardi di dollari, con prospettive di ulteriore crescita: le stime per il 2026 parlano di una cifra compresa tra 115 e 135 miliardi di dollari. Numeri che si inseriscono in una tendenza più ampia: i piani di spesa cumulati delle grandi aziende tecnologiche per il 2026 si avvicinerebbero a 725 miliardi di dollari, in quella che alcuni analisti definiscono una vera e propria corsa agli armamenti del calcolo computazionale.

Eppure, come dimostra il caso Muse Spark, spendere come se l'AI fosse la priorità assoluta non garantisce automaticamente vantaggio competitivo. Il collo di bottiglia non è quasi mai nell'addestramento iniziale del modello, ma in quello che viene dopo: la messa a punto sulla sicurezza, la stabilizzazione del comportamento in produzione, la garanzia che il modello si comporti in modo coerente su una vastità di input imprevedibili. In un modello multimodale, questi problemi si moltiplicano: le allucinazioni — risposte errate presentate con apparente sicurezza — diventano più difficili da diagnosticare quando coinvolgono anche l'interpretazione di immagini, e la tolleranza all'errore si riduce ulteriormente se il modello deve eseguire azioni concrete, non solo generare testo.

La doppia scommessa di Meta

Negli ultimi due anni, Meta ha seguito una strategia su due fronti distinti. Da un lato ha puntato sui modelli open-weight — ovvero modelli il cui funzionamento interno è accessibile e modificabile — con la famiglia Llama, l'ultima versione della quale (Llama 4, nelle varianti Scout e Maverick) è disponibile per il download su canali ufficiali e piattaforme come Hugging Face. Questi modelli possono essere usati, personalizzati e distribuiti anche fuori dall'ecosistema Meta.

Dall'altro lato c'è la scommessa sui servizi proprietari: i modelli che alimentano WhatsApp, Instagram e Facebook, e che potrebbero essere offerti via API a sviluppatori esterni. È qui che si gioca la partita vera, e qui che Muse Spark avrebbe dovuto fare la differenza. Ma un prodotto che vive dentro piattaforme con miliardi di utenti richiede un livello di governance completamente diverso rispetto a un modello open-weight che altri adattano per conto proprio.

Il nodo europeo

A complicare ulteriormente il quadro c'è il contesto regolatorio europeo. Meta è una delle aziende designate come gatekeeper — letteralmente «guardiano del cancello» — dal DMA, il Regolamento europeo sui mercati digitali entrato in vigore per le grandi piattaforme il 7 marzo 2024. La designazione riguarda Facebook, Instagram, WhatsApp, Messenger e Meta Ads, e comporta obblighi specifici su consenso degli utenti, combinazione dei dati tra servizi diversi e interoperabilità.

In pratica, qualsiasi servizio AI che sfrutti i dati delle piattaforme Meta in Europa deve fare i conti con vincoli precisi su come quei dati possono essere usati e combinati. A questo si aggiunge il confronto aperto con la Commissione europea sul modello «Consent or Pay» — la scelta tra acconsentire alla profilazione pubblicitaria o pagare un abbonamento — che ha mostrato quanto la tensione tra pubblicità e conformità alle norme possa condizionare la progettazione di interi servizi. La strategia AI di Meta in Europa, insomma, non può essere semplicemente una corsa alle funzionalità.

Per Meta il ritardo di Muse Spark alza il costo di ogni errore su scala globale

Chi aspetta e chi cambia strada

Per gli utenti finali, il rinvio si traduce in un'evoluzione più lenta dell'assistente Meta AI verso capacità multimodali più avanzate. Per gli sviluppatori, il problema è più immediato: chi aveva pianificato di integrare Muse Spark nei propri prodotti deve ora decidere se attendere una data ancora incerta o affidarsi ad alternative già disponibili — come i modelli di OpenAI, Google o Anthropic — che offrono oggi stabilità contrattuale e continuità di servizio.

È il classico dilemma degli ecosistemi chiusi: aspettare una soluzione nativa che potrebbe offrire vantaggi di integrazione e distribuzione, oppure scegliere un fornitore che garantisce già quello di cui si ha bisogno. Ogni mese di attesa sposta l'inerzia verso chi è già operativo, rendendo più difficile per Meta recuperare terreno in seguito.

Un ritardo che è anche un segnale

Il rinvio di Muse Spark non segnala che Meta sia in difficoltà nella ricerca sull'AI. Segnala qualcosa di più sottile: che la distanza tra «modello funzionante in laboratorio» e «prodotto affidabile per milioni di sviluppatori e miliardi di utenti» è più ampia di quanto si possa coprire con investimenti infrastrutturali. Richiede cultura del prodotto, esperienza nella gestione di piattaforme per terze parti e una tolleranza all'errore molto più bassa di quella accettabile in fase di ricerca.

L'AI generativa sta diventando infrastruttura — come il cloud, come i sistemi operativi — e l'infrastruttura ha tempi, vincoli e responsabilità che la ricerca pura non conosce. La domanda aperta è se Meta riuscirà a completare questa transizione in tempo per non lasciare agli altri lo spazio che Muse Spark avrebbe dovuto occupare.